从事风控工作所需知识技能大全
风控体系是一个庞杂的系统，不同金融机构的风控部门关注的重点不同，其组织架构差异也较大，对应所需要的技能和知识也就不同。在相同金融机构的风险架构，不同部门不同岗位的职责和所需要的技能、知识也是各不相同的。土工合成材料
主控芯片
传统金融机构，银行、证券、基金的风控，更多需要的是偏信用风险、市场风险、流动性风险、政策风险方面的知识，一般不会涉及太复杂的量化模型或者计量分析。 国家税务总局公告2017年第45号
互联网风控不同于传统风控的地方主要在于，依托大数据和机器学习算法，用线上的实时风险审批和监控来代替传统的人工授信，这大大节约了成本的同时还能有效的控制风险。下面以大数据风控为方向，分析从事风控算法工程师所需知识技能。
01
熟悉业务知识是基本功。
了解业务才能够建立实际可用的模型，目前还不存在解决所有问题万能算法，还是回到现实从业务学习开始。
互联网金融领域有着非常丰富的业务场景，同时它和传统银行业务场景差别非常大，用户没有面签不直接见面，依赖的数据是弱数据、大数据，是数据和技术驱动的业务场景，但这并不代表你不需要去理解业务的内涵。 策反者
每一个现实场景就是一个应用题，作为算法人员需要理解题干，从场景中抽象出需要解决问题，将它翻译成算法问题，然后再使用合适的算法。
很多时候对业务问题的理解和抽象，相当于在设定模型开发的大纲。比如在白条场景中，我们想要预测授信用户的信用风险，我们首先就需要考虑以下问题：
我们要观察多久的订单？逾期多少天才算坏用户？逾期定义中是否需要考虑金额限制？好用户怎么定义？需不需要考虑样本不均衡的问题？为了保证模型的稳定性如何进行窗口验证比较科学？针对业务的一些变动，比如订单制和账单制的调整，我们如何去修正模型的目标变量？
总之基本的信贷概念和业务模式是必须去了解的，有助于你设计开发大纲。
除了大纲，风控模型的开发也需要知道业务细节。这在Y变量定义，X变量加工，模型评估都会涉及。
桃花心木教学设计以Y变量定义为例，一般金融行业会把样本分为四部分：G（好用户）；B（坏用户）；I（不确定用户）；E（剔除用户）。
实操中对这四个体通常会有不同定义的微调。有的时候是从算法角度考虑，但更多时候是从业务需求角度考虑。预测用户未来的白条消费金额，止付用户就会被划入E类用户；预测欺诈用户，因为样本很少，信用风险用户也被划入了B类坏用户。X变量除了根据业务知识挑选数据源外，更多时候业务知识指导特征构造。
这里我插一句，不要轻视特征工程，特征工程仍然是非常重要的内功，不是搞一个深度学习框架就可以解决一切。
金融行业的业务复杂通常和时间挂钩，必须掌握业务概念的细节。对于白条业务，就有下单，到账，应还款，实际还款，最低还款，逾期，退款等一系列细节概念，它们都是在一
个时间轴上的，特征加工很讲究这些细节。只有清楚这些概念，而且知道这些行为如何产生和被记录，才能够构造相关的有效特征。好的特征不但可以提高模型效果，也便于从业务上把握模型的跨时间有效性。
业务场景很多时候还决定了你模型效果评估的方式，因为业务很灵活，可以做到有取有舍。有些场景需要模型是为了在误杀尽可能少的情况下抓住更多的坏人；有些场景需要模型需要有更好的排序能力但并不注重绝对值预测；有些场景需要模型需要有很准确的数值预测。
了解场景，挑选合适的评估方式，才能够构造出合适的模型，当然争辩是免不了的。
02
算法理论
首先，算法很多，没有人能够面面俱到，重在基本功。
对于转行的同学，推荐两本入门的基础读物：周志华“西瓜书”和李航的“蓝皮书。
作为算法工程师，对算法本身在公式的层面并不一定像考试那样需要死记硬背。
比如工作中不会有人问你LBFGS算法对于海森矩阵是怎么估计的的（即便在面试中背出来都未必是加分项）。但是，LR的基本公式，SVM的基本原理还是需要去熟练掌握。
对各个算法的优缺点、适用范围以及可能失效的场景需要了熟于胸，某种程度上算法掌握深度和灵活度跟场景以及场景下数据很有关系。
企业工作时风控算法工程师的典型工作是在面对场景需求进行建模，理论深度是有一定必要的。因为实际工作没有时间让你研究理论，但是需要你掌握理论。
算法工程师搭建算法模型的时候，往往没有充分的时间去扫参调优，于是这会导致与在学校的时候建模发paper是完全不同的工作模式。
• 需要考虑的可能更应该是算法的鲁棒性，即算法模型在数据和计算环境一定幅度的波动下，仍然能够保持稳定的工作。
不然的话，支持线上工作的算法模型一旦崩溃，轻则是大半夜不定的报警短信把你招到公
司改bug，重则是造成重大财产损失——想想某业务本来大体只会授信一半的用户，结果被奔溃的模型完全放行了……这将会是什么画风？
• 因为没有太多的时间扫参数空间，所以最好对于各个常用模型的“性能”以及主要工作的参数空间有一个清晰的概念。
这意味着，你不能像以前在学校一样，对于每个模型都用效果最佳的参数，而需要“常见”的参数，去实现基本的业务功能，日后业务方有需要再去优化。工程上，过度的算法“洁癖”和“强迫症”都会耽误很多事情。
特征工程还得再强调一遍，虽然它看上去不像理论那么高大上，但其实很多时候模型效果还就得靠那么一点特征工程作为作料。在算法里面我们更强调特征工程的一些处理手法和技巧，比如点击流数据的处理方法，怎么设置窗口，一些缺值数据的处理技巧，噪声数据的去除等，都能提升模型的效果。
而且这其实有其近乎“艺术”的一面，正所谓“戏法人人会变，各有其奥妙不同”。
评价指标要选好，评价指标的坑很多，并不是说当你建好了模型之后，算一算precision、
AUC、KS、F-measure就好了。
要对这些指标的原理，特别是局限性了然于心。
再强调一遍，特别是他们的局限性！
甚至有时候你可能需要自己组合设计一些指标，来更好适应你的问题。
关于深度学习框架，目前各大厂小厂都在积极尝试，但是尚且没有全面推开在金融领域，我们在某些环节使用这些技术，同时也在向业务方普及这些技术。
深度学习作为趋势，日后广泛应用是一定的，所以我们坚定看好它。
lsd检验传统概率论和数理统计方面的知识也不能丢。
即便我们不去参与贝叶斯派和频率派的撕逼，古典概型在考虑问题的时候也很有用。另外还有诸如随机变量及其分布、随机过程、大数定理、中心极限定理等等。毕竟，金融产品的普遍是建立在人们对“未来”的预期上的，而这一过程则需要基于概统来理解。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议